BMFNet：一种具有边界感知能力的多尺度融合网络，用于精确的乳腺肿瘤分割

《Biomedical Signal Processing and Control》：BMFNet: A boundary-aware multi-scale fusion network for accurate breast tumor segmentation

针对超声图像中乳腺癌分割的边界模糊问题，提出BMFNet模型，结合自适应多尺度特征提取、双流注意力机制和模糊粗糙集边界损失函数，在BUSI数据集上实现71.13% mIoU和83.47% Dice系数，有效提升边界检测精度。

　　乳腺癌是全球女性中最常见的癌症之一，早期诊断对于降低乳腺癌患者的死亡率具有重要意义。然而，乳腺肿瘤的分割仍然是一个极具挑战性的任务，尤其是在二维超声图像中。超声成像因其成本低廉和安全性高而被广泛应用于乳腺肿瘤的诊断中，但其图像特点使得自动分割面临诸多困难。超声图像通常表现出较低的对比度、噪声干扰以及模糊的边界，同时乳腺肿瘤在形态上具有高度的异质性，边界不清晰且轮廓不规则。这些因素导致了误诊问题，即良性病变可能被误认为恶性肿瘤，从而影响临床判断和治疗决策。

此外，放射科医生在超声图像诊断中，其判断往往依赖于个人的知识和临床经验。不同医生在诊断肿瘤类型时，可能会出现较大的差异，而诸如医生疲劳等外部因素也可能显著影响诊断的准确性。因此，提高乳腺肿瘤分割的精确性对于制定及时有效的治疗方案至关重要。当前，基于深度学习的计算机辅助诊断系统已被广泛开发和应用，以帮助医生提高诊断的一致性和准确性。近年来，卷积神经网络（CNNs）在多种医学图像分析任务中表现出色，包括检测、分类和语义分割，并在多个临床应用中取得了最先进的结果。这些进展得益于专门设计的网络架构的发展，例如全卷积网络（FCN）、U-Net、SegNet、DeconvNet 和 DeepLab 等。

尽管这些网络在像素级分割任务中表现良好，但在边界分割和细节保留方面仍面临挑战，尤其是在超声图像中。超声图像通常表现出较差的对比度、噪声干扰以及模糊的边界，同时乳腺肿瘤在形态和空间分布上具有高度的多样性。因此，引入注意力机制成为解决这些问题的一种有前景的方法。通过注意力机制，这些网络可以动态分配计算资源，突出诊断关键的特征，同时抑制无关的噪声和伪影。此外，注意力机制还能增强边界清晰度，提高分割精度，特别是在处理复杂乳腺病变时。

然而，由于卷积神经网络在捕捉长距离空间依赖性方面存在固有局限，Transformer 模型在医学图像分析任务中提供了更强的全局上下文建模能力。通过全局编码图像特征，Transformer 模型有效克服了局部感受野的限制，并促进了对医学图像数据中长距离上下文关系的稳健建模。基于 Transformer，MBF-Net 引入了双向信息交互和多尺度特征转换机制，进一步提升了分割的准确性。该架构创新通过建立稳健的多尺度特征集成，增强了在不同空间分辨率下的分割可靠性。

尽管基于超声图像的乳腺癌分割模型取得了显著进展，但当前方法主要集中在 B 模式特征提取或上下文感知的多尺度特征融合上，这可能忽略了其他临床重要的病变特征。虽然这些方法在一定程度上提升了分割能力，但通常忽视了边界特征在精确病变检测和分割中的关键作用。边界信息在乳腺癌诊断中尤为重要，因为病变边界直接影响病变的精确定位和分割。忽视或处理不当边界特征会导致边界检测不准确，从而引起病变定位偏差和分割效果不佳。这种不准确性会直接影响后续的临床治疗决策。

为了解决上述问题，我们提出了一种边界感知的多尺度融合网络方法（BMFNet）。该方法首先引入了一个自适应感受野选择模块，用于动态优化感受野，从而增强网络对目标区域定位和表征的能力。其次，通过专门的特征选择机制对多尺度特征进行处理，应用空间上下文信息。该机制特别增强了边界特征的表征，聚焦于病变的形态特征和空间分布模式。最后，采用模糊粗糙集边界损失函数，以优化边界信息，从而实现更精确的病变边界分割。综上所述，本研究的主要贡献如下：

首先，我们提出了一种自适应多尺度特征提取模块，作为动态特征提取组件，用于调整网络的感受野。通过通道注意力机制，来自两个不同感受野大小分支的特征被选择性地聚合。该自适应机制能够动态调整感受野参数，显著提升在不同临床场景下边界提取的精度。

其次，网络引入了一种双注意力融合策略，通过并行处理路径有效地整合空间和通道注意力特征。这种方法在不显著增加参数数量的情况下，增强了乳腺肿瘤语义边界的表征能力。

最后，我们提出了一种基于模糊粗糙集理论的边界损失函数。通过高斯核对预测分割的边界进行归一化处理，使其与真实标注对齐。同时，进一步引入了边界感知分支，为分割提供明确的形状信息和空间细节。该创新机制能够有效保留结构边界，同时实现计算复杂度的显著降低。

在相关工作方面，我们回顾了现有的研究，主要从注意力模块、CNN-Transformer 架构和损失函数三个角度展开。注意力机制在医学图像分析中被广泛研究，用于增强模型对关键特征的识别能力。CNN-Transformer 架构结合了卷积神经网络的空间特征提取能力和 Transformer 的全局上下文建模能力，为医学图像分割提供了新的思路。损失函数在分割任务中起着至关重要的作用，传统的损失函数如交叉熵损失和 Dice 系数损失在一定程度上能够提升分割精度，但它们在精确边界优化方面存在局限。

在方法部分，我们详细描述了 BMFNet 的架构和实现过程。BMFNet 的设计旨在解决乳腺肿瘤分割中的关键挑战，包括相似的强度分布和模糊的边界。该网络通过三个主要创新来实现这一目标：自适应多尺度特征提取模块、双通道-空间注意力融合机制以及基于模糊粗糙集理论的边界感知损失函数。自适应多尺度特征提取模块能够动态选择和整合不同感受野的特征，从而实现局部细节和全局语义信息的有效融合。双通道-空间注意力融合机制通过全局池化和自适应权重分配，增强了不同通道和空间位置上的特征判别能力。边界感知损失函数基于模糊粗糙集理论，显式建模预测边界与真实边界之间的不确定性关系，从而显著提升肿瘤边界的分割精度。

在数据集方面，我们收集了两个不同规模的乳腺超声（BUS）数据集，以评估分割网络的性能。表 1 描述了这两个 BUS 数据集的样本分布。第一个数据集是 Guo 等人提供的 tumor-seg2，包含 332 张超声图像，其中 101 张为良性病变，129 张为恶性肿瘤，102 张为正常乳腺图像，平均分辨率为 224 × 224 像素。数据来源于不同患者，以确保数据的多样性和代表性。第二个数据集是我们自行构建的私有数据集，包含更多样化的病变类型和不同的图像质量，用于进一步验证 BMFNet 的泛化能力。

在结论部分，我们总结了本研究的主要成果。本研究提出了一种新的边界感知框架，用于乳腺癌分割，解决了医学图像分析中的关键挑战。该方法结合了三个关键创新：一种用于自适应调整感受野的自适应感受野选择网络，以克服固定感受野的局限性；一种用于有效整合空间和通道特征信息的特征融合网络，以增强边界表征能力；以及一种基于模糊粗糙集理论的新型边界损失函数。这些创新共同作用，使得 BMFNet 在乳腺肿瘤分割任务中表现出色，实现了较高的分割精度和边界清晰度。

在作者贡献方面，Jiayi Liu 负责撰写和编辑论文、可视化、方法设计、研究调查、形式分析和概念设计。Dinghao Guo 负责撰写和编辑论文、资源获取、方法设计和概念设计。Dali Chen 负责监督项目、项目管理以及资金获取。Ruijie Chen 负责可视化、验证、软件开发和数据整理。

在竞争利益声明中，作者声明他们没有已知的财务利益或个人关系，这些关系可能会影响本研究的成果。最后，在致谢部分，我们感谢了国家自然科学基金和中央高校基本科研业务费的支持，这些资助为本研究提供了必要的资源和条件。

综上所述，BMFNet 作为一种新型的边界感知多尺度融合网络，在乳腺肿瘤分割任务中展现出了显著的优势。通过自适应多尺度特征提取模块、双注意力融合机制以及边界感知损失函数的结合，BMFNet 不仅提升了分割的准确性，还增强了模型在不同空间分辨率下的泛化能力。这些创新使得 BMFNet 在乳腺癌诊断和治疗决策中具有重要的应用价值。